因子分析

因子分析是一种在金融领域广泛应用的统计分析工具。其核心目标是从大量的金融数据中，识别和提取出主要的、潜在的驱动因子，这些因子能够解释资产价格变动的大部分原因。通过这种方法，投资者可以更准确地理解市场动态，预测未来趋势，以及优化投资策略。具体来说，在金融市场，资产价格的变动通常受到众多因素的共同影响，包括但不限于宏观经济状况、市场利率、政策因素等。这些因素之间的关系复杂且多变，使得直接分析和预测价格走势变得困难。因子分析则能够将这些复杂的关系简化为少数几个关键因子，每个因子都代表了某种潜在的市场驱动力。通过这种方式，投资者可以更加高效地监控市场动态，因为只需要关注这几个关键因子，而不是大量的原始数据。此外，因子分析还可以用于评估投资组合的风险和回报特征，帮助投资者做出更加理性的投资决策。总的来说，因子分析在金融领域提供了一种有效的方法，将复杂的市场行为简化为可理解和可预测的模式，从而增强了投资者的决策能力。

TCB交作业因子分析

https://bigquant.com/codesharev3/1cd886df-694f-45a3-ad0a-5563bf242551

更新时间：2025-08-20 07:15

陈雨的作业，0728

1.什么是量化投资

量化投资，简单说就是“用数学和算法代替人脑做买卖”。它把选股、择时、仓位、等所有环节都写成可计算、可回测的规则，然后让电脑按规则执行。核心要素可以拆成三块：

研究什么\n• 因子：把股票好坏翻译成可量化的指标，如估值、动量、情绪、突发事件等。\n• 产生交易信号：因为现在宽帮可以自动交易，用这些因子生成“买/卖/持有”的指令。
在哪用\n• 选股：在同一时间点比较所有股票，挑出未来预期收益最高的组合（横截面）。\n• 优选10只票：判断单个标的未来涨跌，决定进场时点（时间序列）。
宽帮适合多快的交易频率\n• 中低频：持仓几天到几个月，赚的是趋

更新时间：2025-08-20 02:08

邹的作业

先感谢老韵同学，下面抄老韵同学的作业，改了3个模型进行训练，不知道为啥我这里xgboots的效果那么差，搞不清原因。感觉机器学习最重要的就是设置好因子和lable，目前没有头绪，没有对因子挖掘系统性的认知，现在就是瞎试。之前lable没有用pct_rank_by，结果就很差，不知道如何运用pct_rank_by和pct_rank_by提升收益的逻辑，还请答疑时，老师给解答一下。

[https://bigquant.com/codesharev3/cec871c2-b428-451c-8c70-cfd4a6d1c2f9](https://bigquant.c

更新时间：2025-08-16 15:23

kyle_作业

https://bigquant.com/codesharev3/91319f57-c25a-4c06-8b2b-6f01d14ffc03

熟悉因子分析框架代码，了解各个函数的运作机理，为日后的因子挖掘打基础。

更新时间：2025-08-15 15:45

kr_gld的作业

实现了：

xgboost 和 stockrank 的策略。以及超参测试

相同因子的情况下， stockrank 要比 xgboost 更好些。

实现：\nxgboost 的策略\n\n因子设计

c_pct_rank(dividend_yield_ratio) as rank_div_ratio

c_pct_rank(total_market_cap) as rank_cap

c_pct_rank(close) as real_close

c_rank(close / m_lag(close, 20)) as rank_mount

c_pct_r

更新时间：2025-08-14 13:48

bqbppxmo_作业

基于随机森林模板，选了37个因子根据随机森林重要性排序。

保留前面9个最重要的因子，结果如下

代码：

[https://bigquant.com/codesharev3/abd225ca-fc27-4f98-9f4a-ee

更新时间：2025-08-13 11:10

Liujunze_作业

一、作业结论：

本次作业采用了线性回归和xgboost两种模型：

年收益分别是：线性回归30%、xgboost 52%。

二、作业过程：

1、搭建模型的框架

（1）框架的模型是按照“滚动训练策略”搭建起来的

（感受：原本自己在结合AI 搭建的，后来因为处理各种各样的错误花了很多时间，所以就直接借用了）

（2）策略搭建后直接测试线性回归，然后替换框架内的模型测试xgboost模型

（感受：搭建框架后相对简单多了，就是替换对应模型的代码，更多的是需要等待模型的训练）

2、加入因子进行训练

（1）用的都是“滚动训练策略”，有些经过微改

（

更新时间：2025-08-11 12:00

yzc作业

对比两个版本

1-因子和模型同样重要，因子是食材，模型是厨师，缺哪个都不行，好因子+差模型也很难跑出比较好的收益。如果是确定的模型，确定的数据来源，哪怕只是改回排序，做好特征，绩效也有明显提升

2-同样的因子，在xgboost上面表现更好，可能是对短期规律的学习更强，在市场风格转换阶段，更容易损失，在市场风格比较明确的阶段更容易把握

[https://bigquant.com/codesharev3/61db5

更新时间：2025-08-11 02:22

Skelton作业提交

•因子更重要还是模型更重要？

我认为因子更重要，只有好的因子才能做出好的策略。

相同因子下不同模型的区别：

每次训练时间比较长，时间有限，只跑了线性回归的策略。而且收益也没有调的很好。

后续有时间再持续优化，并跑其他策略比较。

https://bigquant.com/codesharev3/e70d145b-3a0d-4f3b-bb4e-df2b8a905e12

更新时间：2025-08-10 15:07

bqae70pv作业提交

因子和模型同样重要，因子和模型的组合决定了量化交易策略的效果。
不同因子在相同模型下的回测表现差异巨大，相同因子在不同模型下的回测表现也各不相同（图1vs图2）。
因子决定潜在收益空间，模型能够提升回测和实盘中的收益表现。
模型和因子的相对重要性会随着环境变化而变化。

线性回归回测——图1：

XgBoost回测——图2：

![](/wiki/api/attachments.redire

更新时间：2025-08-10 12:55

因子分析代码_matplotlib版本

https://bigquant.com/codesharev3/0a5687f3-4bb5-4506-b297-f4accfad4bf8

更新时间：2025-08-07 10:23

张伟_作业提交

https://bigquant.com/codesharev3/dcd94c17-1d07-48f9-ae8f-9dab0cc7f9c1

测试下来，这个算法对因子特别敏感，默认因子回测的效果非常好，我替换几个平时表现好的因子后发现效果会差很多，另外，当将股票底池设置为主板和创业板后，收益下降也很明显。

1、我现在是否理解量化投资的逻辑以及和主观投资的区别；

$在投资逻辑上应该没有本质的区别，量化投资逻辑也是主观策略的落地实现。只不过

更新时间：2025-08-02 12:27

bqfua3ny 作业提交（一坨翔）

1、一个策略很难一直挣钱，穿越牛熊。

2、AI策略对捕捉风格的变化应该是一个很重要的研究方向。

3、AI策略是一个黑盒子，如果能够像线性策略一样公式描述就好了。

4、不知道应该放什么因子进去，放多少因子进去，因子和因子之间应该保持什么关系（低相关性？）

5、需要滚动学习才有意义，我提交的今天的作业是用ai策略回测2024-2025的收益，但是如果用2022-2023的特征训练，感觉方法论有问题，2024-2025市场一直在变，而模型用的是2022-2023的经验。收益可能还不如简单的线性策略。

6、2024.10之前屎一样的存在

6、持续学习，挣钱买显卡。

7.代码分享好像出了

更新时间：2025-08-01 10:43

张伟_作业提交

https://bigquant.com/codesharev3/aab9f23a-14b9-437b-a597-cafee691fa5a

主要还是从技术面做了优化，没有达到1.5的夏普，主要优化思路：

构建波动性、价格、动量和流动性因子，来提升收益和降低波动率，主要是将头尾异常的股票做过滤。

也看了其他同学做的比较好的案例，要有较大提升这种过滤的方法是不够的，还是需要找到能够跟小市值媲美的因子做因子的合成。

更新时间：2025-07-30 14:18

张伟_作业提交

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）

 龙回头战法：选择前期热门板块的龙头股，且上涨期间量价同步，在回调过程中，成交量缩量到支撑位买入。

 量化表达：

 (1)定义板块动量因子确定热门板块

 (2)定义股票动量因子确定热门板块中的龙头股，并通过量价关系因子过滤出量价同步的股票

(3)通过步骤1和步骤2，形成龙头股票池

(4)定义反转因子和量价关系，验证这两个因子在步骤3的股票池，龙回头战法逻辑是否成立。如果成立，通过IC、多头收益确定因子方向和权重。

(5)通过步骤4中的因子通过因子合成或机器

更新时间：2025-07-29 11:24

Liujunze_作业提交

【今日作业】

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）。

之前是主观投资，即通过判断公司的产品对于市场的未来需求来选择的。比如说circle 的稳定币的作用，结合美国国债的压力和特朗普的做事风格；还有小米的Yu7

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

[策略假设] → [数据获取] → [因子生成] → [模型建模]

 ↓             ↓             ↓           ↓

[数据清洗] → [因

更新时间：2025-07-29 09:47

bqcj06gr_作业提交

1、请回顾你过去的交易经验，选择一个你曾经使用过的交易方法，尝试用量化的方式重新表达出来（用文字描述，无需代码实现）。

答:股票池筛选:当连续10日最小值大于34日均线的0.99倍时纳入初选股票池;若获利筹码高于73%，则买入；当最大值低于34日均线时卖出。

2、在看完从0-1开发量化策略之后，请自己总结一下量化策略开发的主要流程。

答:1、进行单因子分析筛选出IC和IC_IR较高的因子,积累初步的因子库;

2、对有效的因子进行单因子选股回测，看看初步效果，确定哪些因子是核心收益率因子，哪些可用于控制风险，并对这些有效因子进行相关性分析；

3、选择前面有效的收益因子进行机器学习或

更新时间：2025-07-29 09:40

新版因子实现

导语

平台已经整理好新旧因子对比，可以在基础特征抽取里面直接抽取。

A股

量价因子

老版因子	新版因子	字段描述
adjust_factor_*	当期值: adjust_factor\n滞后值: m_lag(adjust_factor, i)，i为滞后期数	第前 * 个交易日的复权因子 \n * 取值: 0 .. 20
amount_*	当期值: amount\n滞后值: m_lag(amount, i)，i为滞后期数	第前 * 个交易日的交易额\n * 取值: 0 .. 120